2.1 Algoritma JST Backpropagation1
Algoritma JST Backpropagation
Arsitektur JST Backpropagation
Contoh Arsitekstur JST Backpropagation dengan:
n unit masukkan
p unit layer tersembunyi
m unit masukkan
1
1
Vp0
X1
V20
V10
W20
Wm0
Z1
V11
Wm1
V12
Z2
V22
W12
Wm2
Vm2
V1n
W22
Y2
W1p
W2p
V2m
Xn
Y1
W11
W21
Vp1 V21
X2
W10
Vpn
Layer Masukkan
Zp
Layer
Wmp
Ym
Layer Keluaran
Fungsi Aktifasi
Fungsi aktifasi yang digunakan pada backpropagation
yaitu sigmoid biner dan sigmoid bipolar
Fungsi Aktifasi
Algoritma Pelatihan
Backpropagation
Algoritma Pelatihan Backpropagation dengan satu layer
tersembunyi dan dengan menggunakan fungsi aktivasi
sigmoid biner
1
1
X1
Vp
0V11
V10
V20
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
W20 W10
Wm0
W11
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Langkah 0 : Inisialisasi semua bobot dengan bilangan
acak kecil.
Langkah 1 : Jika kondisi penghentian belum terpenuhi,
lakukan langkah 2 sampai dengan 8.
Langkah 2: Untuk setiap pasang data pelatihan,
lakukan langkah 3 sampai dengan 8
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Fase I: Propagasi Maju
Langkah 3
Tiap unit masukkan menerima sinyal dan meneruskan ke unit tersembunyi
Langkah 4
Hitung semua keluaran di unit tersembunyi (Zj):
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Langkah 5
Hitung semua jaringan di unit keluaran (yk)
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Fase II : Propagasi Maju
Langkah 6
Hitung factor unit keluaran berdasarkan kesalahan setiap unit keluaran yk (k=1,2,3….)
k=(tk-yk) f’(y_netk)= (tk-yk) yk (1-yk)
k meruapakan unit kesalahan yang akan dipakai dalam perubahan bobot layer dibawahnya (lankah
7)
Hitung suku perubahan bobot Wkj dengan laju perubahan α
Δwkj= α k zj
; k=1,2,3,…,m ; j=0,1,2,…,p
Algoritma Pelatihan Backpropagation
1
X1
1
Vp
0V11
V10
V20
Z1
Vp1 V21
X2
V12
Z2
V22
Vm
V1n
2
Xn
V2
m
Vpn
Zp
W20 W1
Wm0
0
W11
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Langkah
7
Hitung factor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi z j (j=1,2,3,…,p)
Faktor unit tersembunyi
j = _netj f’(z_netj)= _netj zj (1-zz)
Hitung suku perubahan bobot vji
Δvji=α jxi
; j=1,2,…,p
; i=0,1,2,…,n
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Fase III : Perubahan Bobot
Langkah 8
Perubahan bobot garis yang menuju unit keluaran
wkj
(baru)= wkj (lama) + Δwkj
Perubahan bobot garis yang menuju ke unit tersembunyi
Vji (baru)= vji (lama) + Δvji
Laju Pemahaman
Laju pemahaman di simbolkan dengan α
Laju pemahaman menentukan lama iterasi
Nilai dari α diantara 0 sd 1
Semakin besar nilai α semakin cepat lama iterasi
Akan tetapi jika terlalu besar akan merusak pola,
sehingga justru akan lebih lama iterasinya
Epoch
Epoch yaitu satu siklus pelatihan yang
melibatkan semua pola
Misal jika suatu arsitektur JST terdapat 4
pola masukkan dan 1 target, maka
pelatihan 4 pola masukkan tersebut adalah
1 epoch
Arsitektur JST Backpropagation
Contoh Arsitekstur JST Backpropagation dengan:
n unit masukkan
p unit layer tersembunyi
m unit masukkan
1
1
Vp0
X1
V20
V10
W20
Wm0
Z1
V11
Wm1
V12
Z2
V22
W12
Wm2
Vm2
V1n
W22
Y2
W1p
W2p
V2m
Xn
Y1
W11
W21
Vp1 V21
X2
W10
Vpn
Layer Masukkan
Zp
Layer
Wmp
Ym
Layer Keluaran
Fungsi Aktifasi
Fungsi aktifasi yang digunakan pada backpropagation
yaitu sigmoid biner dan sigmoid bipolar
Fungsi Aktifasi
Algoritma Pelatihan
Backpropagation
Algoritma Pelatihan Backpropagation dengan satu layer
tersembunyi dan dengan menggunakan fungsi aktivasi
sigmoid biner
1
1
X1
Vp
0V11
V10
V20
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
W20 W10
Wm0
W11
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Langkah 0 : Inisialisasi semua bobot dengan bilangan
acak kecil.
Langkah 1 : Jika kondisi penghentian belum terpenuhi,
lakukan langkah 2 sampai dengan 8.
Langkah 2: Untuk setiap pasang data pelatihan,
lakukan langkah 3 sampai dengan 8
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Fase I: Propagasi Maju
Langkah 3
Tiap unit masukkan menerima sinyal dan meneruskan ke unit tersembunyi
Langkah 4
Hitung semua keluaran di unit tersembunyi (Zj):
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Langkah 5
Hitung semua jaringan di unit keluaran (yk)
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Fase II : Propagasi Maju
Langkah 6
Hitung factor unit keluaran berdasarkan kesalahan setiap unit keluaran yk (k=1,2,3….)
k=(tk-yk) f’(y_netk)= (tk-yk) yk (1-yk)
k meruapakan unit kesalahan yang akan dipakai dalam perubahan bobot layer dibawahnya (lankah
7)
Hitung suku perubahan bobot Wkj dengan laju perubahan α
Δwkj= α k zj
; k=1,2,3,…,m ; j=0,1,2,…,p
Algoritma Pelatihan Backpropagation
1
X1
1
Vp
0V11
V10
V20
Z1
Vp1 V21
X2
V12
Z2
V22
Vm
V1n
2
Xn
V2
m
Vpn
Zp
W20 W1
Wm0
0
W11
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Langkah
7
Hitung factor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi z j (j=1,2,3,…,p)
Faktor unit tersembunyi
j = _netj f’(z_netj)= _netj zj (1-zz)
Hitung suku perubahan bobot vji
Δvji=α jxi
; j=1,2,…,p
; i=0,1,2,…,n
Algoritma Pelatihan
Backpropagation
1
X1
1
Vp
0V11
V10
V20
W20 W1
Z1
Vp1 V21
X2
Xn
V12
V22
Vm
V1n
2
V2
m
Vpn
Z2
Zp
Wm0
W11
0
W2
Wm1
1
W12
W
Wm2 22
W1p
W2p
Wmp
Y1
Y2
Y
m
Fase III : Perubahan Bobot
Langkah 8
Perubahan bobot garis yang menuju unit keluaran
wkj
(baru)= wkj (lama) + Δwkj
Perubahan bobot garis yang menuju ke unit tersembunyi
Vji (baru)= vji (lama) + Δvji
Laju Pemahaman
Laju pemahaman di simbolkan dengan α
Laju pemahaman menentukan lama iterasi
Nilai dari α diantara 0 sd 1
Semakin besar nilai α semakin cepat lama iterasi
Akan tetapi jika terlalu besar akan merusak pola,
sehingga justru akan lebih lama iterasinya
Epoch
Epoch yaitu satu siklus pelatihan yang
melibatkan semua pola
Misal jika suatu arsitektur JST terdapat 4
pola masukkan dan 1 target, maka
pelatihan 4 pola masukkan tersebut adalah
1 epoch